前言:
眼前朋友们对“谱聚类算法复杂度”大致比较关切,看官们都想要学习一些“谱聚类算法复杂度”的相关资讯。那么小编同时在网摘上收集了一些关于“谱聚类算法复杂度””的相关内容,希望咱们能喜欢,各位老铁们一起来了解一下吧!全文共3138字,预计学习时长16分钟
聚类分析是一种无监督学习法,它将数据点分离成若干个特定的群或组,使得在某种意义上同一组中的数据点具有相似的性质,不同组中的数据点具有不同的性质。
聚类分析包括基于不同距离度量的多种不同方法。例如。K均值(点之间的距离)、Affinity propagation(图之间的距离)、均值漂移(点之间的距离)、DBSCAN(最近点之间的距离)、高斯混合(到中心的马氏距离)、谱聚类(图之间距离)等。
2014年,DBSCAN算法在领先的数据挖掘会议ACM SIGKDD上获得the testof time奖(授予在理论和实践中受到广泛关注的算法)。
所有聚类法都使用相同的方法,即首先计算相似度,然后使用相似度将数据点聚类为组或群。本文将重点介绍具有噪声的基于密度的聚类方法(DBSCAN)。
既然已经有了K均值聚类,为什么还需要DBSCAN这样的基于密度的聚类算法呢?
K均值聚类可以将松散相关的观测聚类在一起。每一个观测最终都成为某个聚类的一部分,即使这些观测在向量空间中分散得很远。由于聚类依赖于聚类元素的均值,因此每个数据点在形成聚类中都起着作用。
数据点的轻微变化可能会影响聚类结果。由于聚类的形成方式,这个问题在DBSCAN中大大减少。这通常不是什么大问题,除非遇到一些具有古怪形状的数据。
使用K均值的另一个困难是需要指定聚类的数量(“k”)以便使用。很多时候不会预先知道什么是合理的k值。
DBSCAN的优点在于,不必指定使用它的聚类数量。需要的只是一个计算值之间距离的函数,以及一些将某些距离界定为“接近”的指令。在各种不同的分布中,DBSCAN也比K均值产生更合理的结果。下图说明了这一事实:
基于密度的聚类算法
基于密度的聚类是无监督学习法,基于数据空间中的聚类是高点密度的连续区域,通过低点密度的连续区域与其他此类聚类分离,来识别数据中独特的组/聚类。
具有噪声的基于密度的聚类方法(DBSCAN)是基于密度聚类的一种基本算法。它可以从大量的数据中发现不同形状和大小的聚类,这些聚类中正包含着噪声和异常值。
DBSCAN算法使用以下两种参数:
· eps (ε):一种距离度量,用于定位任何点的邻域内的点。
· minPts:聚类在一起的点的最小数目(一个阈值),使一个区域界定为密集。
如果探究两个称为密度可达性(DensityReachability)和密度连接性(DensityConnectivity)的概念,就可以理解这些参数。
密度方面的可达性(Reachability)建立了一个可以到达另一个点的点,如果该点位于与另一个点的特定距离(eps)内。
连接性(Connectivity)涉及到基于传递性的链接方法,以确定点是否位于特定的聚类中。例如,如果p->r->s->t->q,则p和q可以连接,其中a->b表示b在a的邻域内。
DBSCAN聚类完成后会产生三种类型的点:
· 核心点(Core)——该点表示至少有m个点在距离n的范围内。
· 边界点(Border) ——该点表示在距离n处至少有一个核心。
· 噪声点(Noise) ——它既不是核心点也不是边界点。并且它在距离自身n的范围内有不到m个点。
DBSCAN聚类算法步骤
1. 算法通过任意选取数据集中的一个点(直到所有的点都访问到)来运行。
2. 如果在该点的“ε”半径范围内至少存在“minPoint”点,那么认为所有这些点都属于同一个聚类。
3. 通过递归地重复对每个相邻点的邻域计算来扩展聚类
参数估计
每个数据挖掘任务都存在参数问题。每个参数都以特定的方式影响算法。DBSCAN需要参数ε和minPts。
· ε: 可以使用k距离图来选择ε的值,表示到k=minPts-1最近邻的距离,从最大值到最小值排序。当此图显示“elbow”时,ε值较好:如果ε选择得太小,则很大一部分数据将无法聚类;如果ε值太高,聚类将合并,同时大多数对象将位于同一聚类中。一般来说,较小的ε值是可取的,根据经验,只有一小部分点应在此距离内。
· 距离函数:距离函数的选择与ε的选择密切相关,对结果有重要影响。通常,在选择参数ε之前,必须首先确定数据集的合理相似性度量。没有对此参数的估计,但需要为数据集适当地选择距离函数。
· minPts: 根据经验,最小minPts可以从数据集中的维度数D导出,即minPts≥D+1。低值minPts=1是没有意义的,因为此时每个点本身就已经是一个聚类了。当minPts≤2时,结果将与采用单链路度量的层次聚类相同,且树状图在高度ε处切割。因此,必须至少选择3个minPts。
然而,对于有噪声的数据集,较大的值通常更好,并将产生更显著的聚类。根据经验,可以使用minPts=2·dim,但对于非常大的数据、噪声数据或包含许多重复项的数据,可能需要选择更大的值。
用sklearn实现DBSCAN python
首先用DBSCAN对球形数据进行聚类。
先生成750个带有相应标签的球形训练数据点。然后对训练数据的特征进行标准化,最后应用sklearn库中的DBSCAN。
import numpy as np from sklearn.clusterimportDBSCAN from sklearn import metrics fromsklearn.datasets import make_blobs fromsklearn.preprocessing importStandardScaler # Generatesample data centers= [[1, 1], [-1, -1], [1, -1]] X, labels_true =make_blobs(n_samples=750, centers=centers,cluster_std=0.4, random_state=0) X=StandardScaler().fit_transform(X) # Compute DBSCAN db=DBSCAN(eps=0.3, min_samples=10).fit(X) core_samples_mask= np.zeros_like(db.labels_,dtype=bool) core_samples_mask[db.core_sample_indices_]=True labels= db.labels_ # Number ofclusters in labels, ignoring noise if present. n_clusters_=len(set(labels)) - (1if-1in labels else0) n_noise_=list(labels).count(-1) print('Estimatednumber of clusters: %d'% n_clusters_) print('Estimated numberof noise points: %d'% n_noise_) print("Homogeneity:%0.3f"% metrics.homogeneity_score(labels_true,labels)) print("Completeness:%0.3f"% metrics.completeness_score(labels_true,labels)) print("V-measure:%0.3f"% metrics.v_measure_score(labels_true,labels)) print("AdjustedRand Index: %0.3f" % metrics.adjusted_rand_score(labels_true,labels)) print("AdjustedMutual Information: %0.3f" % metrics.adjusted_mutual_info_score(labels_true,labels)) print("SilhouetteCoefficient: %0.3f" % metrics.silhouette_score(X, labels)) # Plot result importmatplotlib.pyplot as plt %matplotlibinline # Black removedand is used for noise instead. unique_labels=set(labels) colors= [plt.cm.Spectral(each) for each in np.linspace(0, 1, len(unique_labels))] for k, col inzip(unique_labels,colors): if k ==-1: # Black used for noise. col = [0, 0, 0, 1] class_member_mask = (labels == k) xy =X[class_member_mask &core_samples_mask] plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col), markeredgecolor='k', markersize=14) xy =X[class_member_mask &~core_samples_mask] plt.plot(xy[:, 0], xy[:, 1], 'o', markerfacecolor=tuple(col), markeredgecolor='k', markersize=6) plt.title('Estimatednumber of clusters: %d'% n_clusters_) plt.show()
黑色数据点表示上述结果中的异常值。接下来,用DBSCAN对非球形数据进行聚类。
import numpy as np importmatplotlib.pyplot as plt from sklearn import metrics fromsklearn.datasets import make_circles fromsklearn.preprocessing importStandardScaler from sklearn.clusterimportDBSCAN X, y =make_circles(n_samples=750, factor=0.3, noise=0.1) X=StandardScaler().fit_transform(X) y_pred=DBSCAN(eps=0.3, min_samples=10).fit_predict(X) plt.scatter(X[:,0], X[:,1], c=y_pred) print('Number ofclusters: {}'.format(len(set(y_pred[np.where(y_pred !=-1)])))) print('Homogeneity:{}'.format(metrics.homogeneity_score(y, y_pred))) print('Completeness:{}'.format(metrics.completeness_score(y, y_pred))) print("V-measure:%0.3f"% metrics.v_measure_score(labels_true,labels)) print("Adjusted RandIndex: %0.3f" % metrics.adjusted_rand_score(labels_true,labels)) print("AdjustedMutual Information: %0.3f" % metrics.adjusted_mutual_info_score(labels_true,labels)) print("SilhouetteCoefficient: %0.3f" % metrics.silhouette_score(X, labels))
这绝对是完美的。如果与K均值进行比较,会给出一个完全不正确的输出,如:
DBSCAN聚类算法的复杂性
· 平均情况:与最佳/最坏情况相同,取决于数据和算法的实现。
· 最佳情况:如果使用索引系统来存储数据集,使得邻域查询在对数时间内执行,可得到O(nlogn)的平均运行时复杂度。
· 最坏情况:如果不使用索引结构或对退化数据(例如,所有距离小于ε的点),最坏情况下的运行时间复杂度仍为O(n²)。
基于密度的聚类算法可以学习任意形状的聚类,而水平集树算法可以在密度差异很大的数据集中学习聚类。
但需要指出的是,这些算法与参数聚类算法(如K均值)相比,调整起来有些困难。与K均值的聚类参数相比,DBSCAN或水平集树的epsilon参数在推理时不那么直观,因此为这些算法选择较好的初始参数值更加困难。
留言点赞关注
我们一起分享AI学习与发展的干货
如转载,请后台留言,遵守转载规范
标签: #谱聚类算法复杂度